Почему искусственный интеллект принес в HR одни разочарования
Генеративный ИИ обещал революцию в HR, но на практике разочаровал бизнес. Лишь 25% проектов оправдали ожидания по окупаемости. Почему компании теряют деньги на ИИ и как выстроить внедрение без провалов, рассказывает Марат Галиаскаров (Nexign)
Фото: Spencer Platt / Getty Images
Этот материал входит в новый раздел РБК Образование, где мы рассказываем о том, как развивать навыки, принимать взвешенные решения и двигаться по карьере осознанно.
Школа управления РБК — новый образовательный проект медиахолдинга, ориентированный на развитие руководителей. Встречаемся каждый четверг в 19.00 на онлайн-событиях, где вместе решаем сложные управленческие задачи.
Расписание и темы можно посмотреть здесь.
Несмотря на эйфорию вокруг генеративного ИИ, лишь четверть инициатив по его внедрению в бизнес приносит ожидаемую прибыль. Это касается и проектов с сфере HR: компании, внедряющие умные решения для автоматизации своих HR-процессов, часто не получают обещанного эффекта.
В последних исследованиях о реальном внедрении генеративного ИИ в бизнес-процессы часто повторяется одно слово — «разочарование». По данным опроса руководителей компаний, проведенного Институтом бизнес-ценности IBM, лишь 25% инициатив в области ИИ за последние годы оправдали ожидания по окупаемости инвестиций (ROI). Только 16% проектов удалось масштабировать на всю компанию. Gartner, формируя свою «кривую хайпа» как для ИИ в целом, так и для ИИ в HR, поместил GenAI во «впадину разочарования» (Trough of Disillusionment): ажиотаж вокруг технологии охладел из-за ошибок и отсутствия эффекта. По данным аналитиков Gartner, менее 30% руководителей компаний довольны окупаемостью инвестиций в GenAI.
Мифы и завышенные ожидания
Когда в конце 2022 года на массовый рынок вышли генеративные модели, компании вроде OpenAI начали продавать идею «революции» в погоне за вниманием инвесторов. СМИ обещали быструю «замену людей», и хотя сроки этих прогнозов неоднократно переносились, эффект остался: многим показалось, что ИИ — всемогущая машина.
От HR ожидали, что ИИ будет отбирать кандидатов не хуже рекрутеров и устранит человеческие ошибки. На деле он стал лишь помощником, тоже допускающим промахи. Можно вспомнить нашумевший кейс Amazon, когда алгоритм при подборе кандидатов отдавал предпочтение мужчинам и занижал рейтинг женщин. Стало ясно, что ИИ не магия, а инструмент, основанный на вероятностной математике и нуждающийся в проверке гипотез. Попытка внедрить его с лету, без тестов и качественных данных, часто дает провальные результаты.
Разочарование усиливает фокус на генеративных моделях, тогда как настоящая польза ИИ — в «невидимых» технологиях: автоматизации оценки кандидатов, прогнозировании текучести, создании документов и аналитике.
Другая ошибка — стремление строить собственные модели с нуля. Это дорого и медленно, а результат нередко слабее готовых решений. В HR уже десятки ассистентов, большинство из которых — надстройки над ChatGPT, с теми же рисками. Рациональнее использовать готовые платформы для типовых задач и инвестировать лишь в направления, где ИИ действительно дает конкурентное преимущество.
Многие ИИ-проекты в итоге сворачиваются: ожидания не оправдываются, а технологию объявляют «неработающей». Однако проблема чаще в подходе, а не в самой идее. Те, кто ждут мгновенного эффекта, первыми разочаровываются.
Сценарии использования ИИ в HR
Между тем, по данным McKinsey, 92% топ-менеджеров планируют увеличение инвестиций в ИИ в HR в ближайшие три года. Успешные кейсы подтверждают: потенциал у технологии действительно большой. Так, ИИ-решения в подборе персонала могут принести ROI в 340% в течение 18 месяцев внедрения, подсчитали в PwC.
Наиболее распространенный сегодня сценарий использования ИИ в HR — корпоративный ассистент. Он ускоряет поиск по документам, генерирует должностные инструкции и создает контент для внутренних коммуникаций: материалы выступлений, черновики статей, постов и опросов.
Перспективные сценарии — рекомендательные системы для развития навыков и подготовка обучающих материалов. Например, система анализирует результаты оценки 360 (отчет, комментарии, лепестковую диаграмму), выявляет зоны роста для сотрудника и дает рекомендации по их развитию. И это еще не все: в дальнейшем система сможет соотнести материалы, размеченные в LMS, с этими рекомендациями и сгенерировать контент для черновика ИПР.
Интересна тема статьи? Вступай в сообщество Школы управления РБК, чтобы осознанно строить карьеру руководителя.
Факторы успеха
Чтобы ИИ приносил реальную пользу, его нужно воспринимать как инструмент и внедрять осознанно. На успех влияют шесть факторов.
- Четкое понимание бизнес-результата. Главное — знать, какой эффект компания ожидает: сокращение времени подбора, рост точности оценки кандидатов или вовлеченности сотрудников. Часто нужен не ИИ как таковой, а автоматизация конкретных задач. От правильной постановки цели зависят выбор технологии, процессов и обучение команды.
- Поддержка сверху и инициатива снизу. Проект требует лидерства и энтузиазма. Работает модель, где руководство задает приоритеты, а HR-специалисты активно экспериментируют и показывают результаты. Без этой связки проект теряет мотивацию, ресурсы и быстро замирает.
- Безопасность данных. Политику защиты информации нужно продумать заранее. В HR это особенно важно — обрабатываются персональные данные и внутренние документы. Оптимален баланс между крайностями «запретить» и «разрешить все»: использовать проверенные SaaS-решения, интегрирующиеся с корпоративной IT-средой и соответствующие требованиям ИБ.
- Фокус на пользе, а не технологиях. Цель не в «внедрении ИИ ради ИИ», а в измеримой пользе — экономии времени и ресурсов. Идеальный сценарий — когда ИИ встроен в привычные сервисы и незаметен пользователю, как банковская технология внутри приложения.
- Обучение. Пользователей нужно учить работе с ИИ: понимать его ограничения, корректно формулировать запросы и готовить данные. Обучение формирует ожидания и помогает определить, где применение оправдано. После пилотных проектов можно масштабировать решения.
- Качественные данные. Согласно исследованию Gartner, до 60% ИИ-проектов проваливаются из-за проблем с данными: недостатка, противоречий, устаревших источников. ИИ не может быть умнее информации, на которой обучен. Опрос Fivetran показал, что 42% компаний признают: более половины их ИИ-проектов задерживаются или проваливаются из-за проблем с данными. По данным Qlik, до 81% организаций сталкиваются с их низким качеством — проблема, характерная и для автоматизации HR-процессов. Неподготовленные данные ведут к ошибочным выводам, как в случае использования старых вакансий с неактуальными требованиями. Поэтому внедрение стоит начинать с аудита данных — определения их качества, актуальности и владельцев. Этот процесс должен быть постоянным.
Чек-лист успешного внедрения ИИ
Таким образом, внедрение ИИ в HR — это типичный IT-проект, но со своими нюансами. Подходить к нему нужно итерационно, с фокусом на пользу и обязательным обучением сотрудников. Процесс можно разделить на шесть этапов:
- Определите цель в виде конкретной бизнес-задачи: снизить издержки, ускорить процесс, улучшить опыт сотрудников.
- Сосредоточьтесь на наиболее подходящей стратегии внедрения: инициатива снизу и поддержка сверху.
- Выберите адептов и экспертов, которые понимают бизнес-процессы и технологию.
- Определите стартовые кейсы и критерии успеха. Начинайте с небольших, но измеримых задач.
- Подготовьте данные, инструменты, обучение и каналы коммуникации.
- Масштабируйте и измеряйте эффект. Переносите успешные кейсы на другие подразделения, постоянно следя за показателями.
И тогда компания получит работающий инструмент с ожидаемым эффектом — без разочарования и впустую потраченных бюджетов.
